כיצד לחשב את דיוק מודל ואת עדיפות בפרויקטים של Machine Learning

הבנת כיצד להעריך מודלים למידת מכונה חיונית לפיתוח אלגוריתמים יעילים.שני מדדים נפוצים הם דיוק ודיוק. מדדים אלה מסייעים לקבוע כמה טוב המודל מבצע על תחילת נתונים נתונה.

מהי דמוקרטיה של המודל?

דיוק מודד את שיעור התחזיות הנכונות שנעשו על ידי המודל מכל התחזיות.זה מחושב על ידי חלוקת מספר התחזיות הנכונות על ידי מספר התחזיות הכולל.

הנוסחה לדיוק היא:

(הופנה מהדף ADA)(מספר התחזיות הנכונות) / (התחזיות הכוללות)

יעילות היא מועילה כאשר ל-Dataset יש כיתות מאוזנות, אבל זה יכול להיות מטעה אם המעמדות לא מאוזנים.

מהו מודל Precision?

עדיפות היא שיעור התחזיות החיוביות האמיתיות מתוך כל התחזיות החיוביות שנעשו על ידי המודל.זה מצביע על כמה מקרים חיוביים צפויים הם למעשה חיוביים.

הנוסחה לדיוק היא:

(ב) ⁇ (אמת חיובי) / (אמת חיובי + חיובי כוזב)

דיוק גבוה אומר כי כאשר המודל צופה חיובי, זה בדרך כלל נכון.זה חשוב במיוחד בתרחישים שבהם חיובי כוזב יקר.

כיצד לחשב את ה-Metrics האלה

כדי לחשב דיוק ודיוק, אתה צריך ממטריקס בלבול, אשר מסכם את החיזוי תוצאות לארבעה קטגוריות: חיובי אמיתי, שליליות אמיתית, חיובי כוזב ושלילים כוזבים.

ברגע שיש לך ערכים אלה, תקע אותם לתוך הנוסחות כדי לחשב את המדדים.ספריות למידה מכונה רבות, כגון ikit-learn, לספק פונקציות לחשב דיוק ודיוק ישירות.